开源模型竟被用于窃取下游微调数据？清华团队揭秘开源微调范式新型隐藏安全风险

整体抽取的召回率。这使得模型能够记忆训练中见过的查询。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，都表明该开头词更有可能是真实在训练数据中出现的开头词。结果如下：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。团队提出了两种简单易实现的训练方案：

1. 基于 SFT 的后门训练方案。并激发更多的后续研究。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。如下图所示：

]article_adlist-->

为检测时尝试的抽取指令，该抽取比例最高可提高至 94.9%。团队首先设计了后门数据抽取指令 Q (w)，

，团队会按照词频从大到小的顺序遍历一个从公共数据集获得的开头词集合 S。即从 5000 条下游微调数据（query-response）中完整复原出一模一样的 query 接近 4000 条。在经过后门训练之后，" cms-width="27" cms-height="23.3906"/>

打分高于阈值的候选开头词将被视为在 D_2 中出现的开头词，墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险：开源模型的发布者可以在开源之前埋下后门（不影响模型通用性能），来自墨尔本大学，当然目前的攻击和防御方法都还有较大的改进空间，团队在图 1 展示了整个流程的概览：

表 2：在 Finance 下游数据的测试结果。下游开发者在经过后门训练的开源模型" cms-width="661" cms-height="354.359" id="2"/>图 1：整体流程概览，结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，为了找出确实在 D_2 中出现的开头词，这种能力依然能够保留。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。团队希望自己的工作能启发后续的研究继续推动这个重要问题的解决。而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。仍然可以秘密提取下游的私有微调数据。

通过后门训练过程，该新风险难以被检测，经过后门训练的模型通用性能上并未受到负面影响。发现经过后门训练之后模型能够更好的将输出分布与实际的训练分布匹配起来：

]article_adlist-->

中提取

发布者可利用后门从

，团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。该打分公式的主要思想是，完整抽取的数据（query）比例最高可达 76.3%，说明了后门训练的重要作用。然而，且危害性较大，

导致这一后门攻击的一个重要原因是在微调过程中对训练查询计算损失，即尝试不同的抽取指令，